物體檢測一向是比較熱門的研究方向，它經(jīng)歷了傳統(tǒng)的人工設(shè)計特征+淺層分類器的框架，到基于大數(shù)據(jù)和深度神經(jīng)網(wǎng)絡(luò)的End-To-End的物體檢測框架的發(fā)展，然而許多人其實并未系統(tǒng)的了解過物體檢測算法的整個發(fā)展內(nèi)容。正因如此，本次閱面科技邀請了資深研究員童志軍從傳統(tǒng)檢測算法核心、深度神經(jīng)網(wǎng)絡(luò)框架、檢測技術(shù)難點等方面來進行干貨分享。

童志軍：閱面科技資深研究員，2012年畢業(yè)于東南大學(xué)獲碩士學(xué)位，先后加入虹軟、阿里巴巴從事圖像算法和機器學(xué)習(xí)工作，曾參與淘寶“拍立淘圖像搜索”、“3D試衣”等產(chǎn)品研發(fā)，目前主要專注于深度學(xué)習(xí)的視覺檢測分類和移動端深度學(xué)習(xí)模型壓縮技術(shù)。

在傳統(tǒng)視覺領(lǐng)域，物體檢測是一個非常熱門的研究方向。受70年代落后的技術(shù)條件和有限應(yīng)用場景的影響，物體檢測直到上個世紀(jì)90年代才開始逐漸走入正軌。物體檢測對于人眼來說并不困難，通過對圖片中不同顏色、紋理、邊緣模塊的感知很容易定位出目標(biāo)物體，但對于計算機來說，面對的是RGB像素矩陣，很難從圖像中直接得到狗和貓這樣的抽象概念并定位其位置，再加上物體姿態(tài)、光照和復(fù)雜背景混雜在一起，使得物體檢測更加困難。

檢測算法里面通常包含三個部分，第一個是檢測窗口的選擇， 第二個是特征的設(shè)計，第三個是分類器的設(shè)計。隨著2001年Viola Jones提出基于Adaboost的人臉檢測方法以來，物體檢測算法經(jīng)歷了傳統(tǒng)的人工設(shè)計特征+淺層分類器的框架，到基于大數(shù)據(jù)和深度神經(jīng)網(wǎng)絡(luò)的End-To-End的物體檢測框架，物體檢測一步步變得愈加成熟。

傳統(tǒng)檢測算法

在2001年，一篇基于Haar+Adaboost的檢測方法在學(xué)術(shù)界和工業(yè)界引起了非常大的轟動，它第一次把檢測做到實時，并且在當(dāng)時的技術(shù)限制下，檢測性能也做的非常亮眼?？v觀2012年之前的物體檢測算法，可以歸結(jié)為三個方面的持續(xù)優(yōu)化：

檢測窗口的選擇

拿人臉檢測舉例，當(dāng)給出一張圖片時，我們需要框出人臉的位置以及人臉的大小，那么最簡單的方法就是暴力搜索候選框，把圖像中所有可能出現(xiàn)框的位置從左往右、從上往下遍歷一次。并且通過縮放一組圖片尺寸，得到圖像金字塔來進行多尺度搜索。

但是這種方法往往計算量很大并且效率不高，在實際應(yīng)用中并不可取。人臉具有很強的先驗知識，比如人臉膚色YCbCr空間呈現(xiàn)很緊湊的高斯分布，通過膚色檢測可以去除很大一部分候選區(qū)域，僅留下極小部分的區(qū)域作為人臉檢測搜索范圍。由于膚色的提取非?？?，只是利用一些顏色分布的信息，把每個像素判斷一下，整體速度提升很多。但膚色提取只是用到簡單的顏色先驗，如果遇到和膚色很像的，比如黃色的桌子，很有可能被誤判成人臉的候選檢測區(qū)域。

進一步提高精度衍生出如Selective Search或EdgeBox等proposal提取的方法，基于顏色聚類、邊緣聚類的方法來快速把不是所需物體的區(qū)域給去除，相對于膚色提取精度更高，極大地減少了后續(xù)特征提取和分類計算的時間消耗。

特征的設(shè)計

在傳統(tǒng)的檢測中，Haar由于提取速度快，能夠表達物體多種邊緣變化信息，并且可以利用積分圖快速計算，得到廣泛的應(yīng)用；LBP更多的表達物體的紋理信息，對均勻變化的光照有很好的地適應(yīng)性；HOG通過對物體邊緣使用直方圖統(tǒng)計來進行編碼，特征表達能力更強，在物體檢測、跟蹤、識別都有廣泛的應(yīng)用。傳統(tǒng)特征設(shè)計往往需要研究人員經(jīng)驗驅(qū)動，更新周期往往較長，通過對不同的特征進行組合調(diào)優(yōu)，從不同維度描述物體可以進一步提升檢測精度，如ACF檢測，組合了20種不同的特征表達。

分類器的設(shè)計

傳統(tǒng)的分類器包含Adaboost、SVM、Decision Tree等。

Adaboost

一個弱分類器往往判斷精度不高，通過Adaboost自適應(yīng)地挑選分類精度高的弱分類器并將它們加權(quán)起來，從而提升檢測性能。比如說，人臉檢測中一個候選窗口需要判斷是否為人臉，其中一些弱分類器為顏色直方圖分量（如紅黃藍三種顏色），如果黃色分量大于100，那我就認(rèn)為這塊可能是人臉的候選區(qū)域，這就是個非常簡單的弱分類器?？墒牵瑔蝹€這么弱的分類器判斷是很不準(zhǔn)的，那么我們就需要引入另外一些分量做輔助。比如再引入紅色分量大于150，將幾個條件疊加起來，就組成了一個比較強的分類器。

這里弱分類器的設(shè)計往往就是確定顏色判斷的閾值，為什么會選擇100呢？其實這是我們需要學(xué)習(xí)得到的閾值，學(xué)習(xí)得到，當(dāng)閾值設(shè)定為100時，分類的精度是最高的。另外，為什么要選擇紅黃藍三種顏色？同樣，因為它們分類的精度更高。通過不斷進行特征挑選并學(xué)習(xí)弱分類器，最終組合提升為Adaboost強分類器。

SVM分類器

SVM通過最大化分類間隔得到分類平面的支持向量，在線性可分的小數(shù)據(jù)集上有不錯的分類精度，另外通過引入核函數(shù)將低維映射到高維，從而線性可分，在檢測場景被廣泛使用。

比如線性SVM分類器就是一些支持向量，將物體表示為一些特征向量，實際當(dāng)中學(xué)到的分類器就是一些系數(shù)向量，這些系數(shù)向量和特征向量做一個加權(quán)的話可以得到分類分?jǐn)?shù)，對分?jǐn)?shù)進行閾值判斷，就可以判斷是否是某一類。

Decision Tree

決策樹是一種樹形結(jié)構(gòu)，其中每個內(nèi)部節(jié)點表示一個屬性上的測試，每個分支代表一個測試輸出，每個葉子節(jié)點代表一種類別。

用從樹根到樹葉的二叉樹來舉個簡單例子。假如從樹根進來有個二分類，我們需要區(qū)分它是人臉或者是非人臉，左邊是非人臉，右邊是人臉。當(dāng)我進入第一個二叉樹分類器節(jié)點判斷，如果是非人臉的話直接輸出結(jié)果，如果是人臉候選的話進入下一層再做進一步的分類。通過學(xué)習(xí)每個節(jié)點的分類器來構(gòu)造決策樹，最終形成一個強分類器。

Random Forest

通過對決策樹進行Ensemble，組合成隨機森林更好的提高分類或者回歸精度。假設(shè)剛剛提到的決策樹是一棵樹，那么現(xiàn)在我想學(xué)十棵樹，每個樹采用不同的輸入或者分類準(zhǔn)則，從不同維度來做分類。以十棵樹的分類結(jié)果進行投票，8個樹認(rèn)為這個框是人臉，2個認(rèn)為是非人臉，最終輸出為人臉。投票策略可以更好地降低分類誤差，在實際場景中得到廣泛應(yīng)用。

從傳統(tǒng)方法到深度學(xué)習(xí)

眾所周知，檢測算法的演變分為兩個階段，一個就是基于傳統(tǒng)特征的解決方法，另外一個就是深度學(xué)習(xí)算法。在2013年之前傳統(tǒng)方法還算是主流，大家都是基于傳統(tǒng)的feature優(yōu)化檢測方法。然而，在2013年之后，,整個學(xué)術(shù)界和工業(yè)界都逐漸利用深度學(xué)習(xí)來做檢測。

實際上，這是由于深度學(xué)習(xí)在分類上超越了很多傳統(tǒng)的方法，在2012年的ImageNet上，Hinton兩個學(xué)生就曾用ConvNet獲得了冠軍。與傳統(tǒng)方法相比，深度學(xué)習(xí)在分類精度上提高很多。起先，深度學(xué)習(xí)只是在分類上有非常明顯的提升，之后也帶動了檢測這一塊。從物體分類到物體檢測，利用了深度學(xué)習(xí)比較強的feature的表達能力，可以進一步提高檢測的精度。

檢測方面有兩個比較典型的公開測試集，PASCAL VOC和COCO。從這兩個測試集上可以看到傳統(tǒng)的檢測方法和深度學(xué)習(xí)的檢測方法在精度上的差別非常的大。傳統(tǒng)的物體檢測方法因為其特征比較弱，所以每類都需要訓(xùn)練一個檢測器。每個檢測器都是針對特定的物體訓(xùn)練，如果有20類的話，就需要跑20次前向預(yù)測，相當(dāng)于單次檢測的20倍，作為一個2C端產(chǎn)品，時間消耗和精度性能使得傳統(tǒng)方法檢測的應(yīng)用場景不是很多。

目前最新的檢測都是基于深度學(xué)習(xí)的方法，最開始的RCNN，它算是深度學(xué)習(xí)應(yīng)用到檢測里的鼻祖，從起初它平均49.6的精度記錄，到如今已然提升了快40個點。而在傳統(tǒng)的方法中SVM-HOG，它的精度才到了31.5，和深度學(xué)習(xí)相比低了很多。

值得注意的是，傳統(tǒng)檢測方法隨著數(shù)據(jù)量增大檢測性能會趨于飽和，也就是說隨著數(shù)據(jù)量的增大，檢測性能會逐漸提高，但到了一定程度之后數(shù)據(jù)量的提高帶來的性能增益非常少。而深度學(xué)習(xí)的方法則不同，當(dāng)符合實際場景分布的數(shù)據(jù)越來越多時，其檢測性能會越來越好。

深度學(xué)習(xí)的物體檢測

深度學(xué)習(xí)早期的物體檢測，大都使用滑動窗口的方式進行窗口提取，這種方式本質(zhì)是窮舉法 R-CNN。后來提出Selective Search等Proposal窗口提取算法，對于給定的圖像，不需要再使用一個滑動窗口進行圖像掃描，而是采用某種方式“提取”出一些候選窗口，在獲得對待檢測目標(biāo)可接受的召回率的前提下，候選窗口的數(shù)量可以控制在幾千個或者幾百個。

之后又出現(xiàn)了SPP，其主要思想是去掉了原始圖像上的crop/warp等操作，換成了在卷積特征上的空間金字塔池化層。那么為什么要引入SPP層呢？其實主要原因是CNN的全連接層要求輸入圖片是大小一致的，而實際中的輸入圖片往往大小不一，如果直接縮放到同一尺寸，很可能有的物體會充滿整個圖片，而有的物體可能只能占到圖片的一角。SPP對整圖提取固定維度的特征，首先把圖片均分成4份，每份提取相同維度的特征，再把圖片均分為16份，以此類推?？梢钥闯?，無論圖片大小如何，提取出來的維度數(shù)據(jù)都是一致的，這樣就可以統(tǒng)一送至全連接層。

實際上，盡管R-CNN 和SPP在檢測方面有了較大的進步，但是其帶來的重復(fù)計算問題讓人頭疼，而 Fast R-CNN 的出現(xiàn)正是為了解決這些問題。Fast R-CNN使用一個簡化的SPP層 —— RoI（Region of Interesting） Pooling層，其操作與SPP類似，同時它的訓(xùn)練和測試是不再分多步，不再需要額外的硬盤來存儲中間層的特征，梯度也能夠通過RoI Pooling層直接傳播。Fast R-CNN還使用SVD分解全連接層的參數(shù)矩陣，壓縮為兩個規(guī)模小很多的全連接層。

Fast R-CNN使用Selective Search來進行區(qū)域提取，速度依然不夠快。Faster R-CNN則直接利用RPN（Region Proposal Networks)網(wǎng)絡(luò)來計算候選框。RPN以一張任意大小的圖片為輸入，輸出一批矩形區(qū)域，每個區(qū)域?qū)?yīng)一個目標(biāo)分?jǐn)?shù)和位置信息。從 R-CNN 到 Faster R-CNN，這是一個化零為整的過程，其之所以能夠成功，一方面得益于CNN強大的非線性建模能力，能夠?qū)W習(xí)出契合各種不同子任務(wù)的特征，另一方面也是因為人們認(rèn)識和思考檢測問題的角度在不斷發(fā)生改變，打破舊有滑動窗口的框架，將檢測看成一個回歸問題，不同任務(wù)之間的耦合。

R-CNN到Faster R-CNN都是一些通用的檢測器。深度學(xué)習(xí)中還有許多特定物體檢測的方法，如Cascade CNN等，隨著技術(shù)的發(fā)展，深度學(xué)習(xí)的檢測越來越成熟。

難點

盡管深度學(xué)習(xí)已經(jīng)使得檢測性能提升了一大截，但其實依舊存在許多難點。主要難點就是復(fù)雜光照情況（過暗、過曝）以及非剛性物體形變（如人體、手勢的各種姿態(tài)）、低分辨率和模糊圖片的檢測場景。

眾所周知，目前大多數(shù)檢測算法還是靜態(tài)圖的檢測，而海量視頻數(shù)據(jù)已然出現(xiàn)了，未來檢測數(shù)據(jù)支持的類別肯定越來越多，涵蓋的面越來越廣，檢測技術(shù)在這方面也需要繼續(xù)發(fā)展?；谝曨l時序連續(xù)性的物體檢測和像素級的實例檢測將是未來重點突破的方向。

聲明：部分內(nèi)容來源于網(wǎng)絡(luò)，僅供讀者學(xué)術(shù)交流之目的。文章版權(quán)歸原作者所有。如有不妥，請聯(lián)系刪除。

責(zé)任編輯：psy

原文標(biāo)題：物體檢測算法全概述：從傳統(tǒng)檢測方法到深度神經(jīng)網(wǎng)絡(luò)框架

文章出處：【微信公眾號：新機器視覺】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。